解构电商、O2O：挖掘用户的“潜意识”-推荐系统( 二 ) 编辑导语：随着人们日益提高

某一些策略则依赖于大量的数据进行分析，这个时候没有处理冷启动的问题就无法积累数据。为了应对冷启动的问题人们也找到了一些方法，根本思路就是通过变形或者转化来获取特殊的数据源来解决无数据的问题。
第一种方式提供相对稳定的数据筛选结果，最为常见的例子就是热销排行榜。这种方式是假定所有用户属于一个整体的集合，在这个集合下最关注的商品就是热销品。
考虑到人群的从众心理在新用户前期通过推荐热销商品其实是一种相对稳妥的方式，实际证明新用户在冷启动阶段对于热销品有更大的购买动力，而老用户则也会更多考虑长尾推荐。在数据收集到一定程度后再将推荐数据转化为更为精细的个性化推荐内容。很多平台的发现页面就是通过这种方式去处理早期数据不全的情况。
第二种则是利用用户前期注册时留下的信息进行判断。目前很多平台都会在初始阶段让用户填写一些个人信息和兴趣爱好，这种手段在音乐或阅读类平台用的会比较多。
通过用户填写的信息来初步构建特征进行商品推荐的匹配。除了用户本身在平台填写的信息外，目前绝大多数都会使用第三方登录，比如微信、支付宝等。通过第三方登录在用户授权的情况下也可以导入部分用户行为数据辅助分析用户特征。
但这种推荐由于信息的匮乏会造成颗粒度很粗，导致可能很大一部分用户看到的商品是完全一样，但实际上他们本身的群体还是有一定区别的。
此外也可以结合上面两种情况来获取信息。比如提供一些特定分类如热销品的商品让用户进行选择喜好，根据用户的选择匹配相似的商品数据。这样对于冷启动时可以更好的提供相对精准的推荐数据。
【解构电商、O2O：挖掘用户的“潜意识”-推荐系统】不过这个方法对于前期提供选择的商品集合有一定的要求，不能过分的从单一的分类中获取商品，平台要提供更品类丰富的选项以便后续分析时候可以更加准确。
上面讲到的是新用户冷启动的数据获取方案，除了用户的冷启动还有商品的冷启动。对于上新的商品我们缺乏对于商品购买人群的数据特征，就需要通过冷启动获取关联数据如下图。获取数据的思路和用户基本类似，最基础的方式就是提供特殊标签如新品。通过标签提高权重已达到展示推荐的目的。
此外由于商品的信息是由内部运营人员进行录入，所以我们可以通过人为的方式获取到更多商品的基础信息。推荐系统可以通过关键词或者标签Tag的方式获取商品的关键信息，计算新品与老品之间的相似度来进行推荐。
同时我们也可以通过获取第三方的数据来判断用户情况，如手机安装时获取已安装应用情况判断性别、年龄、爱好等信息。总结下来冷启动主要是通过三个方向获取数据：引导用户自填、运营人工分类、第三方获取。

文章图片
二、推荐策略的“演变”判断用户喜欢的商品进行推荐就是建立人、商品的关系。所有上述提到的元数据都需要根据推荐策略进行关联。推荐的策略发展至今已经由简单的概率分析延伸为现在比较流行的深度学习。我们讲到推荐的核心就是建立人与商品的关系，关系靠近的则是认为他们相关度更高，关系较远则认为相关度更低。
在人与商品的关系中还包含人与人、商品与商品的关系，由此构建出一个关系图谱。比如我们常说的用户画像就是设定人与人关系的基础数据。按照人和商品我们可以建立一个二维的坐标。